Oct, 2021

使用非线性因果模型研究东南太平洋的气溶胶 - 云相互作用

PDF
TL;DR本文通过应用非线性因果机器学习方法，研究气溶胶对云滴半径的异质性影响。
发现论文，激发创造
  • 使用深度学习检测人为云扰动

    本研究使用深度卷积神经网络寻找人为气溶胶引起的云层扰动，以评估它们的特性和普遍性，为气候效应提供有价值的洞见。

    Nov, 2019

  • 浅云模拟中液滴分布的理解和可视化

    通过利用 Variational Autoencoders (VAEs) 的紧凑潜在表示，我们可以对雾滴尺寸的组织和随时间的演变进行新颖而直观的可视化，从而提高解释能力并通过对比不同气溶胶浓度的模拟来研究气溶胶 - 云的相互作用。我们发现，雾滴谱的演变在不同气溶胶水平上是相似的，但发生的速度不同，这表明降水启动过程尽管存在变化，但相似度较高。

    Oct, 2023

  • 利用可解释机器学习了解卷云

    使用机器学习和气象和气溶胶条件，预测和分析云的特性和与之相关的因素，模型表明，气象和气溶胶条件可以以预测云的性质并具有显着的影响。

    May, 2023

  • 利用卫星数据进行尘埃气溶胶检测的机器学习算法综述

    本文回顾了使用卫星上的传感器和基于机器学习的方法研究尘暴现象的努力，并发现多光谱方法和机器学习的结合是视觉化和定量分析中最成功的。

    Apr, 2024

  • HAiVA：混合式 AI 辅助视觉分析框架，研究云属性对气候模式的影响

    研究云对地球气候系统的影响，并提出通过 AI 辅助可视化分析的混合模型来设计和测试海上云增白技术以评估其对气候模式的影响。

    May, 2023

  • IceCloudNet: 从 SEVIRI 输入，通过稀缺监督学习预测冰雾和混合云

    该研究论文通过对三年的 SEVIRI 和 DARDAR 数据集进行卷积神经网络训练，创造了一种新的观测约束条件，以解决气候模型中对云含冰粒子的不确定性问题，并帮助评估改变气候和评估地球工程化方法中的卷云过程理解，并从而降低不确定性。

    Oct, 2023

  • 利用 GOES-16 卫星观测实现对对流生成的深度学习物理解释预测

    通过多通道红外 GOES-R 卫星观测数据，基于目标的概率深度学习模型被开发用于预测对流发生，同时发现多层面上的湿度和云特征对模型决策过程具有重要影响，并表明使用不同的基准线有助于进一步理解模型行为和获得科学见解。

    Oct, 2023

  • SuperdropNet：稳定而准确的用于基于液滴的云微物理的机器学习代理

    云微物理是气候和天气现象的重要组成部分，本研究开发了一种基于机器学习的模拟器 SuperdropNet，通过学习大量基于液滴的模拟数据集，精确地预测了水物理状态和云到雨的转变时间，在许多情况下，超越了传统的物理模型。

    Feb, 2024

  • 探索适用于大气 / 海洋预测的混合机器学习 / 基于物理模型的潜力

    通过将机器学习与传统物理模型相结合的混合建模方法，本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型，该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型，并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。

    May, 2024

  • 级联扩散模型预测热带气旋

    通过整合卫星成像、遥感和大气数据，利用扩散模型进行研究，采用级联方法进行气旋路径预测和降水模拟，从而实现具有高准确性的预测，适用于对预测需求迫切、且受限于资金的高度脆弱地区的特殊气象需求。

    Oct, 2023